利用深度学习识别小儿血管异常
图像与视频处理
2019-09-17 v1 计算机视觉与模式识别
定量方法
摘要
血管异常，更通俗地称为胎记，影响多达十分之一的婴儿。尽管许多此类病变可自行消退，但若无正确诊断或处理，某些类型可能导致医疗并发症或毁容。由于细微的视觉差异及与其他小儿皮肤病的相似性，儿科医生和初级保健医生准确诊断血管异常具有挑战性。这可能导致治疗的延迟或错误转诊。为解决此问题，我们开发了一个卷积神经网络（CNN）来自动分类血管异常及其他小儿皮肤病的图像，以辅助医生诊断。我们构建了一个包含 21,681 张临床图像的数据集，包括 2002-2018 年间在西雅图儿童医院收集的数据以及五个皮肤科医生策划的在线资源库，并建立了血管异常及其他常见小儿皮肤病变的分类体系。当在 12 类分类体系上进行十折交叉验证时，该 CNN 取得了 0.9731 的平均 AUC。在六个此类类别的先前未见过测试集上评估时，分类器的平均 AUC 和加权 F1 分数分别为 0.9889 和 0.9732。此外，当作为辅助工具供儿科医生（n = 7）使用时，分类器将其平均视觉诊断准确率从 73.10% 提高到 91.67%。该分类器在智能手机上实时运行，并有可能改善这些疾病的诊断，特别是在资源有限地区。
引用
@article{arxiv.1909.07046,
title = {Identifying Pediatric Vascular Anomalies With Deep Learning},
author = {Justin Chan and Sharat Raju and Randall Bly and Jonathan A. Perkins and Shyamnath Gollakota},
journal= {arXiv preprint arXiv:1909.07046},
year = {2019}
}